Çalışmanın Amaçları

1. Veri Temizleme ve Hazırlık: İlk olarak, ham veri seti üzerinde gerekli temizleme ve düzenleme işlemleri gerçekleştirilmiştir. Bu adımda eksik verilerin doldurulması, gereksiz satır ve sütunların çıkarılması, verilerin uygun formatlara dönüştürülmesi gibi işlemler yapılmıştır.

2. Demografik Dağılım Analizleri: Türkiye’nin çeşitli bölgelerindeki nüfusun cinsiyet ve yaş grubu gibi demografik özelliklere göre dağılımları incelenmiştir. Bu analizler, bölgeler arasındaki farklılıkları ve benzerlikleri ortaya koymayı hedeflemiştir.

3. Eğitim Düzeyi Analizleri: Eğitim düzeylerine göre nüfusun dağılımı ve yıllar içerisindeki değişimleri analiz edilmiştir. Bu kapsamda, özellikle “Okuma Yazma Bilmeyen” nüfusun değişimi üzerine odaklanılmıştır.

4. 2022 Yılı Tahminleri: Mevcut verilere dayanarak 2022 yılı için “Okuma Yazma Bilmeyen” nüfusun sayısı tahmin edilmiştir. Bu tahmin, son beş yıllık veriler kullanılarak yapılmıştır.

5. Kümeleme Analizi: Türkiye’nin çeşitli bölgelerinin eğitim düzeylerine göre benzerliklerini ve farklılıklarını belirlemek amacıyla kümeleme analizi gerçekleştirilmiştir. Bu analiz, bölgelerin eğitim düzeyleri açısından gruplandırılmasını sağlamıştır.

Yöntemler

Çalışma boyunca veri temizleme ve düzenleme işlemleri için çeşitli R paketleri kullanılmıştır. Ardından, verilerin analizi ve görselleştirilmesi için dplyr ve ggplot2 gibi paketlerden faydalanılmıştır. Özellikle lineer regresyon modeli, mevcut verilerden hareketle 2022 yılı için tahmin yapmada kullanılmıştır. Ki-kare testi, kadınlar ve erkekler arasında eğitim düzeyleri açısından anlamlı bir fark olup olmadığını incelemek için kullanılmıştır.

Bölgelerdeki Cinsiyet Dağılımı

Yüzdelerin hesaplanması

bir <- veri %>%
  group_by(bolge, cinsiyet) %>%
  summarise(total_frekans = sum(frekans, na.rm = TRUE)) %>%
  mutate(yuzde = total_frekans / sum(total_frekans) * 100) %>%
  ungroup()

Bar chart’ın oluşturulması

plot_ly(bir, x = ~bolge, y = ~yuzde, color = ~cinsiyet, colors = c('blue', 'red'),
        type = 'bar', text = ~paste('Yüzde:', round(yuzde, 2)), textposition = 'auto',
        marker = list(line = list(color = 'rgba(49,130,189,1.0)', width = 1))) %>%
  layout(
    title = list(text = "Bölgelere Göre Cinsiyetlerin Dağılımı"),
    xaxis = list(title = "Bölge"),
    yaxis = list(title = "Yüzde"),
    barmode = 'group'
  )

Erkek ve kadın oranlarının her bölgede neredeyse eşit olduğu gözlemlenmektedir. Bu, cinsiyet dağılımının bölgeler arasında büyük farklılık göstermediğini ve her iki cinsiyetin de dengeli bir şekilde temsil edildiğini göstermektedir.

Bölgelerdeki Yaş Gruplarının Dağılımı

Yüzdelerin hesaplanması

iki <- veri %>%
  group_by(bolge, yas_grubu) %>%
  summarise(total_frekans = sum(frekans, na.rm = TRUE)) %>%
  mutate(yuzde = total_frekans / sum(total_frekans) * 100) %>%
  ungroup()

Bar chart’ın oluşturulması

plot_ly(iki, x = ~bolge, y = ~yuzde, color = ~yas_grubu, 
        colors = c('blue', 'green', 'red', 'purple', 'orange', 'brown', 'pink'), 
        type = 'bar', 
        text = ~paste('Yüzde:', round(yuzde, 2)), 
        textposition = 'auto', 
        marker = list(line = list(color = 'rgba(49,130,189,1.0)', width = 1))) %>%
  layout(title = "Bölgelere Göre Yaş Gruplarının Dağılımı",
         xaxis = list(title = "Bölge", tickangle = -45),
         yaxis = list(title = "Yüzde"),
         barmode = 'dodge') 

Her yaş grubunun oranları farklı bölgelerde birbirine yakın görünmektedir. Özellikle genç yaş grupları (6-13 ve 14-17) ile yaşlı gruplar (65+) daha belirgin yüzdelere sahip olduğu görülmektedir. Bu dağılım, nüfusun demografik yapısının bölgeler arasında büyük farklılık göstermediğini göstermektedir.

Bölgelerdeki Eğitim Düzeylerinin Dağılımı

Yüzdelerin hesaplanması

uc <- veri %>%
  group_by(bolge, egitim_duzey) %>%
  summarise(total_frekans = sum(frekans, na.rm = TRUE)) %>%
  mutate(yuzde = total_frekans / sum(total_frekans) * 100) %>%
  ungroup()

Bar chart’ın oluşturulması

plot_ly(uc, x = ~bolge, y = ~yuzde, color = ~egitim_duzey, type = 'bar', 
        text = ~paste('Yüzde:', round(yuzde, 2)), textposition = 'auto', 
        marker = list(line = list(color = 'rgba(49,130,189,1.0)', width = 1))) %>%
  layout(title = "Bölgelere Göre Eğitim Düzeylerinin Dağılımı",
         xaxis = list(title = "Bölge", tickangle = -45),
         yaxis = list(title = "Yüzde"),
         barmode = 'dodge')

İlköğretim ve lise mezunlarının her bölgede en yüksek yüzdelere sahip olduğu görülmektedir. Diğer eğitim düzeyleri ise daha düşük oranlarda dağılmaktadır. Özellikle “Okuma Yazma Bilmeyen” kategorisi tüm bölgelerde düşük yüzdelere sahiptir. İstanbul ve Batı Marmara, yüksek eğitim düzeylerine sahip olduğu görülmektedir. Doğu ve Güneydoğu Anadolu bölgeleri ise daha düşük eğitim düzeylerine sahip oldukları görülmektedir.

Türkiye Çapında Yaş Gruplarının Yıllık Frekans Değişimleri

Verinin filtrelenmesi

yasdegisim <- veri %>%
  group_by(yil, yas_grubu) %>%
  summarise(total_frekans = sum(frekans), .groups = 'drop')

Çizgi grafiğinin oluşturulması

p <- ggplot(yasdegisim, aes(x = yil, y = total_frekans, color = yas_grubu, group = yas_grubu, text = paste("Yaş Grubu: ", yas_grubu, "<br>Yıl: ", yil, "<br>Frekans: ", total_frekans))) +
  geom_line(size = 1.2) + 
  geom_point(size = 3) +   
  labs(title = "Yaş Gruplarının Yıllık Frekans Değişimleri (2017-2021)",
       x = "Yıl",
       y = "Toplam Frekans",
       color = "Yaş Grubu") +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 14, face = "bold"),
    axis.title = element_text(size = 12),
    axis.text = element_text(size = 10),
    legend.title = element_text(size = 12),
    legend.text = element_text(size = 10)
  ) +
  scale_y_continuous(labels = scales::label_comma()) # Sayıları standart gösterim ile formatlama

# Plotly ile interaktif hale getirme
p_plotly <- ggplotly(p, tooltip = "text")
p_plotly

Genç yaş gruplarının (14-17 ve 18-21) frekanslarında belirgin bir artış gözlemlenmektedir. Türkiye’nin genel olarak genç bir nüfusa sahip olduğu ve bu genç nüfusun artmakta olduğu görülmektedir.

Türkiye Çapında Cinsiyetlere Göre Yaş Gruplarının Dağılımları

Yüzdelerin hesaplanması

dort <- veri %>%
  group_by(cinsiyet, yas_grubu) %>%
  summarise(total_frekans = sum(frekans, na.rm = TRUE)) %>%
  mutate(yuzde = total_frekans / sum(total_frekans) * 100) %>%
  ungroup()

Bar grafiğinin oluşturulması

plot_ly(dort, x = ~yas_grubu, y = ~yuzde, color = ~cinsiyet, colors = c('blue', 'red'), type = 'bar',
        text = ~paste('Yüzde:', round(yuzde, 2)), textposition = 'auto',
        marker = list(line = list(color = 'rgba(49,130,189,1.0)', width = 1))) %>%
  layout(title = "Cinsiyetlere Göre Yaş Gruplarının Dağılımı",
         xaxis = list(title = "Yaş Grubu"),
         yaxis = list(title = "Yüzde"),
         barmode = 'dodge')

Kadın ve erkek nüfusunun yaş gruplarına göre dağılımı büyük ölçüde dengeli, ancak bazı yaş gruplarında küçük farklılıklar gözlemlenmektedir. Özellikle 6-13 yaş grubunda kadın oranı daha yüksekken, 65+ yaş grubunda erkek oranı daha yüksek olduğu görülmektedir. Bu durum, genel olarak cinsiyetler arasında yaş gruplarının benzer şekilde dağıldığını, ancak belirli yaş gruplarında farklılıklar olabileceğini göstermektedir.

Türkiye Çapında Cinsiyetlere Göre Eğitim Düzeylerinin Dağılımları

Yüzdelerin hesaplanması

bes <- veri %>%
  group_by(cinsiyet, egitim_duzey) %>%
  summarise(total_frekans = sum(frekans, na.rm = TRUE)) %>%
  mutate(yuzde = total_frekans / sum(total_frekans) * 100) %>%
  ungroup()

Pie chart’ın oluşturulması

plot_ly() %>%
  add_pie(data = bes %>% filter(cinsiyet == "Kadın"),
          labels = ~egitim_duzey, values = ~yuzde, name = "Kadın",
          textinfo = 'none',
          insidetextorientation = 'radial',
          domain = list(row = 0, column = 0)) %>%
  add_pie(data = bes %>% filter(cinsiyet == "Erkek"),
          labels = ~egitim_duzey, values = ~yuzde, name = "Erkek",
          textinfo = 'none',
          insidetextorientation = 'radial',
          domain = list(row = 0, column = 1)) %>%
  layout(title = "Cinsiyetlere Göre Eğitim Düzeylerinin Dağılımı",
         grid = list(rows = 1, columns = 2),
         showlegend = TRUE,
         annotations = list(
           list(
             text = "KADIN",
             x = 0.2,  
             y = 0.1, 
             showarrow = FALSE,
             xref = 'paper',
             yref = 'paper',
             font = list(size = 14, color = "black"),
             align = 'center'
           ),
           list(
             text = "ERKEK",
             x = 0.8,  
             y = 0.1,  
             showarrow = FALSE,
             xref = 'paper',
             yref = 'paper',
             font = list(size = 14, color = "black"),
             align = 'center'
           )
         ))

Her iki cinsiyette de ilkokul ve ilköğretim mezunlarının oranının oldukça yüksek olduğu görülmektedir. Erkeklerde, lise ve dengi meslek okulu mezunlarının oranının kadınlara göre biraz daha yüksek olduğu görülmektedir. Kadınlarda, okuma yazma bilmeyenlerin oranı erkeklere göre biraz daha yüksektir.

Yıllara Göre “Okuma Yazma Bilmeyen” Kadın ve Erkek Sayılarındaki değişim

Yüzdelerin hesaplanması

alti <- veri %>%
  filter(egitim_duzey == "Okuma Yazma Bilmeyen") %>%
  group_by(yil, cinsiyet) %>%
  summarise(ortalama_sayi = mean(frekans, na.rm = TRUE)) %>%
  ungroup()

Bar grafiğinin oluşturulması

plot_ly(alti, x = ~yil, y = ~ortalama_sayi, color = ~cinsiyet, colors = c("Kadın" = "red", "Erkek" = "blue"), type = 'bar', 
        position = 'dodge') %>%
  layout(title = "Yıllara Göre 'Okuma Yazma Bilmeyen' Kadın ve Erkek Sayıları",
         xaxis = list(title = "Yıl"),
         yaxis = list(title = "Ortalama Sayı"),
         barmode = 'dodge',
         legend = list(title = list(text = "Cinsiyet")))

Grafikte, yıllar içinde kadınların okuma yazma bilmeyen oranının erkeklere göre çok daha yüksek olduğu görülmektedir. Bu durum, cinsiyetler arasındaki okuryazarlık farkını net bir şekilde ortaya koymaktadır. Ayrıca, yıllar içinde bu farkın azalmadığı da gözlemlenmektedir.

Türkiye Çapında Cinsiyetlere Göre “Okuma Yazma Bilen Fakat Bir Okul Bitirmeyen” Nüfusun Değişimi

Okuma yazma bilen fakat bir okul bitirmeyenlerin filtrelenmesi

yedi <- veri %>%
  filter(egitim_duzey == "Okuma Yazma Bilen Fakat Bir Okul Bitirmeyen")

2017-2021 yılları arasında cinsiyete göre yıllık frekansların toplanması

yedi1 <- yedi %>%
  group_by(yil, cinsiyet) %>%
  summarise(total_frekans = sum(frekans), .groups = 'drop')

kadın ve erkeklerin toplamının hesaplanması

yedi_totals <- yedi1 %>%
  group_by(yil) %>%
  summarise(total_frekans = sum(total_frekans), .groups = 'drop')

Çizgi grafiğinin oluşturulması

plot_ly() %>%
  add_trace(data = yedi1 %>% filter(cinsiyet == "Kadın"), 
            x = ~yil, y = ~total_frekans, 
            type = 'scatter', mode = 'lines+markers', 
            line = list(color = 'red', width = 2),
            marker = list(color = 'red'),
            name = 'Kadın') %>%
  add_trace(data = yedi1 %>% filter(cinsiyet == "Erkek"), 
            x = ~yil, y = ~total_frekans, 
            type = 'scatter', mode = 'lines+markers', 
            line = list(color = 'blue', width = 2),
            marker = list(color = 'blue'),
            name = 'Erkek') %>%
  add_trace(data = yedi_totals, 
            x = ~yil, y = ~total_frekans, 
            type = 'scatter', mode = 'lines+markers', 
            line = list(color = 'green', width =2),
            name = 'Toplam') %>%
  layout(title = "Türkiye'de Cinsiyete Göre 'Okuma Yazma Bilen Fakat Bir Okul Bitirmeyen' Nüfusun Yıllara Göre Değişimi (2017-2021)",
         xaxis = list(title = "Yıl"),
         yaxis = list(title = "Frekans"),
         legend = list(
           title = list(text = "Kategoriler"),
           x = 1.05,  # Legend'ı sağa taşı
           y = 1,     # Legend'ı yukarı taşı
           xanchor = 'left',
           yanchor = 'top',
           bgcolor = "rgba(255,255,255,0.5)",
           bordercolor = "#FFFFFF",
           borderwidth = 2
         ))

Her iki cinsiyet için de okuma yazma bilen fakat bir okul bitirmeyen nüfus bu dönemde genel olarak azalmıştır. Azalma oranı erkeklerde kadınlardan daha düşüktür. 2017’den bu yana kadınların oranı yaklaşık % 6.5 düşerken erkeklerin oranı %2.5 düşmüştür.

Türkiye Çapında Doktoralılar İçerisinde Kadınlarının Oranının Değişimi

Kadın ve doktoralı oranının hesaplanması

sekiz <- veri %>%
  filter(egitim_duzey == "Doktora") %>%
  group_by(yil, cinsiyet) %>%
  summarise(total_frekans = sum(frekans, na.rm = TRUE)) %>%
  group_by(yil) %>%
  mutate(total_doktora = sum(total_frekans)) %>%
  ungroup() %>%
  filter(cinsiyet == "Kadın") %>%
  mutate(orani = total_frekans / total_doktora) %>%
  select(yil, oranı = orani)

Çizgi grafiğinin oluşturulması

plot_ly(sekiz, x = ~yil, y = ~oranı, type = 'scatter', mode = 'lines+markers', 
        line = list(color = 'red', width = 1.2),
        marker = list(color = 'red', size = 6)) %>%
  layout(title = list(text = "Türkiye Çapında Doktoralılar İçerisinde Kadınların Oranlarının Yıllar İçindeki Değişimleri",
                      font = list(size = 14, family = "Arial", color = "black")),
         xaxis = list(title = "Yıl", 
                      titlefont = list(size = 12), 
                      tickfont = list(size = 10),
                      tickmode = 'array',
                      tickvals = unique(sekiz$yil)),
         yaxis = list(title = "Kadın Doktoralı Oranı (%)", 
                      titlefont = list(size = 12), 
                      tickfont = list(size = 10),
                      tickformat = '.1%'),
         plot_bgcolor = 'white',
         paper_bgcolor = 'white')

Türkiye çapında doktora programlarındaki kadınların oranının 2017’den 2021’e kadar istikrarlı bir şekilde arttığını görülmektedir. Artış oranı her yıl yaklaşık %0,25’tir. 2021 yılında doktora programlarındaki kadınların oranı %41,5’e ulaşarak son beş yılın en yüksek seviyesine çıkmıştır.

2017’den 2021’e Bölgelere Göre Erkek Doktoralı Oranlarındaki Değişim

Erkek ve doktoralıların filtrelenmesi

dokuz1 <- veri %>%
  filter(cinsiyet == "Erkek" & egitim_duzey == "Doktora")

Toplam frekansın bulunması

dokuz2 <- veri %>%
  group_by(yil, bolge) %>%
  summarise(total_frekans = sum(frekans, na.rm = TRUE))

Erkek ve doktoralı oranının hesaplanması

dokuz <- dokuz1 %>%
  group_by(yil, bolge) %>%
  summarise(erkek_doktorali_frekans = sum(frekans, na.rm = TRUE)) %>%
  left_join(dokuz2, by = c("yil", "bolge")) %>%
  mutate(erkek_doktorali_orani = erkek_doktorali_frekans / total_frekans * 100)

Çizgi grafiğinin oluşturulması

plot_ly(data = dokuz, x = ~yil, y = ~erkek_doktorali_orani, color = ~bolge, 
        type = 'scatter',
        line = list(width = 1.2),
        marker = list(size = 6)) %>%
  layout(title = "2017'den 2021'e Bölgeler Bazında Erkek Doktoralı Oranlarındaki Değişim",
         xaxis = list(title = "Yıl"),
         yaxis = list(title = "Erkek Doktoralı Oranı (%)", tickformat = ".2%"),
         legend = list(title = list(text = "Bölge")),
         plot_bgcolor = "white")

2021 yılında erkek doktoralı oranı en yüksek olan bölge Batı Anadolu-TR5 iken, en düşük olan bölge ise Güneydoğu Anadolu-TRC’dir. 2017’den 2021’e kadar erkek doktoralı oranı en fazla artan bölge %2.03 ile Kuzeydoğu Anadolu-TRA olurken, en az artan bölge ise %0.52 ile Güneydoğu Anadolu-TRC’dir.

Türkiye Çapında Farklı Eğitim Düzeylerindeki Kadın ve Erkek Sayıları Arasındaki Anlamlı Farklılık

Eğitim düzeyi ve cinsiyete göre frekans tablosunun oluşturulması

on <- table(veri$egitim_duzey, veri$cinsiyet)

Ki-kare testinin uygulanması

test_result <- chisq.test(on)

Beklenen frekansların görüntülenmesi

print(test_result$expected)

##                                                   
##                                                       Erkek    Kadın
##   Bilinmeyen                                       780.6593 779.3407
##   Doktora                                          540.4565 539.5435
##   İlkokul                                          780.6593 779.3407
##   İlköğretim                                       678.5731 677.4269
##   Lise Ve Dengi Meslek Okulu                       720.6086 719.3914
##   Okuma Yazma Bilen Fakat Bir Okul Bitirmeyen      780.6593 779.3407
##   Okuma Yazma Bilmeyen                             780.6593 779.3407
##   Ortaokul Veya Dengi Meslek Ortaokul              780.6593 779.3407
##   Yüksek Lisans (5 Veya 6 Yıllık Fakülteler Dahil) 600.5072 599.4928
##   Yüksekokul Veya Fakülte                          660.5579 659.4421

Beklenen frekansların her bir hücrede 5’ten büyük olup olmadığının kontrol edilmesi

any(test_result$expected < 5)

## [1] FALSE

Ki-kare testi sonuçlarının görüntülenmesi

print(test_result)

## 
##  Pearson's Chi-squared test
## 
## data:  on
## X-squared = 0.096051, df = 9, p-value = 1

p-değeri 0.05’ten büyük olduğu için (p = 1), hipotez testi sonuçlarına göre, kadınlar ve erkekler arasında eğitim düzeyleri açısından anlamlı bir fark olmadığı gözlemlenmektedir.

2022’de Türkiye’de “Okuma Yazma Bilmeyen” Nüfusun Sayısının Tahmini

Gerekli paketlerin yüklenmesi ve NA değerlerinin çıkarılması

library(forecast)
library(tidyr)

na.omit(veri)

## # A tibble: 14,163 × 6
##    bolge         yil cinsiyet yas_grubu egitim_duzey                     frekans
##    <fct>       <dbl> <fct>    <fct>     <fct>                              <dbl>
##  1 Akdeniz-TR6  2017 Erkek    14-17     Bilinmeyen                           778
##  2 Akdeniz-TR6  2017 Erkek    14-17     İlköğretim                           494
##  3 Akdeniz-TR6  2017 Erkek    14-17     İlkokul                            45364
##  4 Akdeniz-TR6  2017 Erkek    14-17     Lise Ve Dengi Meslek Okulu          1342
##  5 Akdeniz-TR6  2017 Erkek    14-17     Okuma Yazma Bilen Fakat Bir Oku…    4032
##  6 Akdeniz-TR6  2017 Erkek    14-17     Okuma Yazma Bilmeyen                  12
##  7 Akdeniz-TR6  2017 Erkek    14-17     Ortaokul Veya Dengi Meslek Orta…  290925
##  8 Akdeniz-TR6  2017 Erkek    18-21     Bilinmeyen                           733
##  9 Akdeniz-TR6  2017 Erkek    18-21     İlköğretim                         74938
## 10 Akdeniz-TR6  2017 Erkek    18-21     İlkokul                             2421
## # ℹ 14,153 more rows

“Okuma Yazma Bilmeyen”in filtrelenmesi

onbir <- subset(veri, egitim_duzey == "Okuma Yazma Bilmeyen")

Yıl bazında verilerin gruplanması ve toplam frekansın hesaplanması

library(dplyr)
onbir1 <- onbir %>%
  group_by(yil) %>%
  summarize(toplam_frekans = sum(frekans, na.rm = TRUE), .groups = 'drop')

Eksik yılların belirlenmesi ve NA değerlerinin kontrol edilmesi

onbir1 <- onbir1 %>% 
  complete(yil = full_seq(yil, 1)) %>%
  replace_na(list(toplam_frekans = 0))

Lineer regresyon modelinin oluşturulması

model <- lm(toplam_frekans ~ yil, data = onbir1)

2022 yılı için tahmin yapılması

veri2022 <- data.frame(yil = 2022)
tahmin <- predict(model, veri2022)

Sonuçların yazdırılması

print(paste("2022 yılı için tahmin edilen 'Okuma Yazma Bilmeyen' nüfus: ", round(tahmin)))

## [1] "2022 yılı için tahmin edilen 'Okuma Yazma Bilmeyen' nüfus:  1697865"

Çizgi grafiğinin oluşturulması

plot_ly(data = onbir1, x = ~yil, y = ~toplam_frekans, type = 'scatter', mode = 'lines+markers',
        line = list(color = 'blue'), marker = list(color = 'blue', size = 6), showlegend = FALSE) %>%
  add_lines() %>%
  add_markers() %>%
  add_lines(x = c(2021, 2022), 
            y = c(onbir1 %>% filter(yil == 2021) %>% pull(toplam_frekans),
                  round(tahmin)),
            line = list(color = 'red', width = 2, dash = 'solid'), showlegend = FALSE) %>%
  add_annotations(
    x = 2022, y = round(tahmin),
    text = paste('Tahmin:', round(tahmin)),
    showarrow = TRUE,
    arrowhead = 2,
    ax = 0, ay = -40
  ) %>%
  layout(
    title = "Yıllık 'Okuma Yazma Bilmeyen' Nüfus Tahmini",
    xaxis = list(title = "Yıl"),
    yaxis = list(title = "Toplam Frekans"),
    font = list(size = 12)
  )

2017-2021 yılları arasında “Okuma Yazma Bilmeyen” nüfusun sürekli olarak azaldığını görülmektedir. 2017 yılında yaklaşık 2.200.000 olan bu nüfus, 2021 yılına gelindiğinde 1.900.000’in altına düşmüştür. Son beş yılın azalma oranı %20.3’tür. 2022 yılı için yapılan tahmin ise bu azalma trendinin devam edeceğini ve okuma yazma bilmeyen nüfusun yaklaşık 1.697.865 seviyesine gerileyeceğini öngörmektedir. 2021’den 2022’ye tahmini azalma oranı da %8.84’tür.

Bölgelere Göre Tüm Eğitim Düzeylerindeki Nüfusun Kümelenmesi

Gerekli paketlerin yüklenmesi

library(dplyr)
library(reshape2)
library(dendextend)
library(ggplot2)
library(ggdendro)

Önce frekansa göre bir dendrogram oluşturulması ve verinin düzenlenmesi

veri_temiz <- veri %>%
  filter(!is.na(frekans)) %>%
  filter(egitim_duzey != "Bilinmeyen")

Verinin bölge ve eğitim düzeyine göre özetlenmesi

oniki <- dcast(veri_temiz, bolge ~ egitim_duzey, value.var = "frekans", fun.aggregate = sum, fill = 0)

Mesafe matrisini oluştururken Öklidyen mesafe kullanılması. Eğitim düzeyleri arasındaki farkları değerlendirmek için uygun bir metriktir, çünkü her bir değişkenin (eğitim düzeyinin) aritmetik farklarını dikkate alır.

dist_matrix <- dist(oniki[, -1], method = "euclidean")

Hiyerarşik kümeleme

hc <- hclust(dist_matrix, method = "complete")

Dendogram oluşturulması

dend <- as.dendrogram(hc)

Dendogramın çizilmesi

# X eksenindeki etiketleri bölge adları ile değiştirme
labels <- oniki$bolge
dend <- dend %>% set("labels", labels)

# Dendrogramı ggplot2 ile çizme
dend_plot <- ggdendrogram(dend, rotate = TRUE, size = 1) +
  labs(title = "Bölgelere Göre Eğitim Düzeyleri Kümeleme Dendrogramı", 
       x = "Bölgeler", 
       y = "Mesafe") +
  theme_minimal()

print(dend_plot)

Bu dendrogram, bölgelerin eğitim düzeylerine göre hiyerarşik olarak kümelendiğini göstermektedir. Eğitim düzeylerinin benzer olduğu bölgeler aynı kümede yer almaktadır. Daha kısa mesafeler, kümelerin birbirine daha benzer olduğunu, daha uzun mesafeler ise daha farklı olduğunu gösterir. Ortadoğu Anadolu ve Orta Anadolu bölgelerinin yakın olması, bu bölgelerin eğitim düzeylerinin benzer olduğunu göstermektedir. Ege ve Güneydoğu Anadolu bölgeleri, diğerlerinden belirgin şekilde farklı olduğu için, bu bölgelerde farklı eğitim startejileri gerekebilir.

Frekans yerine her bölgenin kendi içindeki eğitim düzeyi oranları kullanılmıştır. Frekans değerlerini doğrudan kullanmak, bölgeler arasında doğal olarak var olan büyüklük farklarını yansıtmaktadır. Örneğin, nüfusu daha büyük olan bölgeler doğal olarak daha yüksek frekans değerlerine sahip olacaktır. Bu, dendrogramın öncelikli olarak nüfus büyüklüklerine göre kümelenmesine neden olabilir. Oranlar kullanıldığında, her bölgenin içindeki dağılım standartlaştırılır. Bu, bölgeler arası karşılaştırmayı kolaylaştırır çünkü her bölgedeki eğitim düzeylerinin nispi dağılımını dikkate alınır. Bölgeleri kendi içinde oranlayarak dendrogram oluşturmak, bölgeler arası kıyaslamaların daha adil, anlamlı ve dengeli olmasını sağlar.

Verinin bölge ve eğitim düzeyine göre özetlenmesi

oniki1 <- dcast(veri_temiz, bolge ~ egitim_duzey, value.var = "frekans", fun.aggregate = sum, fill = 0)

Her bölgenin kendi içinde oranlanması

oniki_ratios <- oniki1 %>%
  mutate(across(-bolge, ~ . / sum(.)))

Her bölgenin toplam kişi sayısının hesaplanması

oniki_ratios <- oniki_ratios %>%
  mutate(toplam = rowSums(select(., -bolge)))

Her bölgedeki eğitim düzeylerinin yüzdelerinin hesaplanması

oniki_ratios <- oniki_ratios %>%
  mutate(across(starts_with("Doktora"):`Yüksekokul Veya Fakülte`, ~ . / toplam * 100))

Veri çerçevesinin uzun formata dönüştürülmesi

egitim_duzey_long <- oniki_ratios %>%
  pivot_longer(cols = starts_with("Doktora"):`Yüksekokul Veya Fakülte`, names_to = "egitim_duzey", values_to = "yuzde")

Grafiğin oluşturulması

fig <- plot_ly(egitim_duzey_long, x = ~bolge, y = ~yuzde, color = ~egitim_duzey, type = 'bar', text = ~paste0(round(yuzde, 2), '%'),
               hoverinfo = 'text', colors = "Set3") %>%
  layout(barmode = 'stack',
         title = 'Bölgelerin Eğitim Düzeylerine Göre Yüzdelik Dağılımı',
         xaxis = list(title = 'Bölgeler', tickangle = -45),
         yaxis = list(title = 'Yüzde', tickformat = '.2f'),
         legend = list(title = list(text = 'Eğitim Düzeyi')),
         margin = list(b = 100))

fig

İstanbul’da yüksek lisans ve doktora oranlarının oldukça yüksek olduğu görülmektedir. Eğitim seviyesi genellikle yüksektir. Orta Anadolu-TR7 ve Ortadoğu Anadolu-TRB bölgelerinde ortaokul ve ilkokul seviyelerinin yüksek olduğu görülmektedir, okuma yazma bilen fakat bir okul bitirmeyenlerin oranları da yüksektir. Lisans ve üzeri eğitim seviyeleri her iki bölgede de nispeten daha düşüktür. Doğu Karadeniz-TR9 ve Batı Marmara-TR2 bölgelerinde ortaokul, lise ve doktora oranları birbirlerine yakındır. Güneydoğu Anadolu-TRC ve Ege-TR3 bölgeleri ilk ve ortaokul seviyelerindeki benzer oranlar ile düşük lise eğitim seviyeleriyle birbirine benzer eğitim düzeyi profili göstermektedir. Akdeniz-TR6 ve Batı Karadeniz-TR8 bölgeleri de benzer ilkokul ve ortaokul eğitim seviyelerindedirler. Her iki bölgede de düşük doktora oranları gözlemlenmektedir.

Gerekli paketlerin yüklenmesi

library(dplyr)
library(reshape2)
library(dendextend)
library(ggplot2)
library(ggdendro)

Her bölgenin toplam kişi sayısının hesaplanması

oniki_ratios <- oniki_ratios %>%
  mutate(toplam = rowSums(select(., -bolge)))

Her bölgedeki eğitim düzeylerinin yüzdelerinin hesaplanması

oniki_ratios <- oniki_ratios %>%
  mutate(across(starts_with("Doktora"):`Yüksekokul Veya Fakülte`, ~ . / toplam * 100))

Veri çerçevesinin uzun formata dönüştürülmesi

egitim_duzey_long <- oniki_ratios %>%
  pivot_longer(cols = starts_with("Doktora"):`Yüksekokul Veya Fakülte`, names_to = "egitim_duzey", values_to = "yuzde")

Dendrogram için mesafe matrisi oluşturulması (Öklidyen mesafe kullanarak)

dist_matrix <- dist(oniki_ratios[, -c(1, ncol(oniki_ratios))], method = "euclidean")

Hiyerarşik kümeleme

hc <- hclust(dist_matrix, method = "complete")

Dendrogram oluşturulması

dend <- as.dendrogram(hc)

Dendrogramın görselleştirilmesi

labels <- oniki_ratios$bolge
dend <- dend %>% set("labels", labels)

Dendrogramı ggplot2 ile çizme

dend_plot <- ggdendrogram(dend, rotate = TRUE, size = 1) +
  labs(title = "Bölgelere Göre Eğitim Düzeyleri Kümeleme Dendrogramı (Oran)", 
       x = "Bölgeler", 
       y = "Mesafe") +
  theme_minimal()

print(dend_plot)

Yakın bölgelerden biri olan Ortadoğu Anadolu-TRB ve Orta Anadolu-TR7, eğitim seviyesi açısından ağırlıklı olarak ilköğretim seviyesinde yoğunlaşmakta ve okuma yazma bilen fakat bir okul bitirmeyen grupların yüksek olması nedeniyle benzer profiller sergilemektedirler. Diğer yakın bölgeler olan Doğu Karadeniz-TR9 ve Batı Marmara-TR2, lise ve yükseköğretim düzeylerinde benzer oranlara sahip olup, bu eğitim seviyeleri bakımından paralel bir eğitim profili sergilemektedirler. Bir diğer yakın bölgeler olan Güneydoğu Anadolu-TRC ve Ege-TR3 bölgeleri, ilk ve ortaokul seviyelerindeki benzer oranlar ile düşük lise ve üzeri eğitim seviyeleri nedeniyle birbirlerine yakın profiller çizmektedir. Akdeniz-TR6 ve Batı Karadeniz-TR8 bölgeleri nispeten yakın mesafelerde konumlanmıştır. Her iki bölge de ilkokul ve ortaokul eğitim seviyelerinde yoğunlaşmaktadır. Akdeniz-TR6 ve İstanbul-TR1 bölgeleri dendrogramda en uzak mesafede konumlanmışlardır. İstanbul yüksek öğrenim düzeyiyle öne çıkarken, Akdeniz lise ve daha düşük seviyelerde yoğunlaşmaktadır. Kuzeydoğu Anadolu-TRA ve Batı Anadolu-TR5 bölgeleri de uzak mesafede yer almaktadır. Kuzeydoğu Anadolu’nun okuma yazma oranlarının düşük ve temel eğitim seviyelerinde yoğunlaşmışken, Batı Anadolu’nun daha yüksek eğitim seviyelerinde yoğunlaşmaktadır.

Sonuç ve Değerlendirme

Cinsiyet Dağılımı ve Demografik Eşitlik: Cinsiyet dağılımının her bölgede dengeli olduğu gözlemi, toplumsal cinsiyet eşitliği açısından olumlu bir gösterge olarak değerlendirilebilir. Ancak, bu denge sağlanmış olmasına rağmen, yaş gruplarında belirgin farklılıklar gözlemlenmiştir. Bu, genç ve yaşlı nüfusun belirgin oranlarının, eğitim ve sağlık hizmetlerine erişim gibi konularda bölgesel farklılıkların dikkate alınması gerektiğini işaret eder. Özellikle genç yaş grubundaki artış, eğitim politikalarının ve gençlik destek programlarının güçlendirilmesi gerektiğini öne sürmektedir.

Eğitim Düzeyleri ve Bölgesel Farklılıklar: Eğitim düzeylerinde gözlemlenen yüksek oranlar, genel olarak eğitim düzeyinin bölgesel farklılıklara rağmen homojen olduğunu gösterir. Ancak, eğitim düzeylerinin bölgesel farklılıkları, bazı bölgelerde eğitimin kalitesini ve erişimini artırmaya yönelik ek önlemler gerektirdiğini göstermektedir. İstanbul’da yüksek lisans ve doktora oranlarının oldukça yüksek olduğu görülmektedir. Eğitim seviyesi genellikle yüksektir. Orta Anadolu-TR7 ve Ortadoğu Anadolu-TRB bölgelerinde ortaokul ve ilkokul seviyelerinin yüksek olduğu görülmektedir, okuma yazma bilen fakat bir okul bitirmeyenlerin oranları da yüksektir. Lisans ve üzeri eğitim seviyeleri her iki bölgede de nispeten daha düşüktür. Doğu Karadeniz-TR9 ve Batı Marmara-TR2 bölgelerinde ortaokul, lise ve doktora oranları birbirlerine yakındır. Güneydoğu Anadolu-TRC ve Ege-TR3 bölgeleri ilk ve ortaokul seviyelerindeki benzer oranlar ile düşük lise eğitim seviyeleriyle birbirine benzer eğitim düzeyi profili göstermektedir. Akdeniz-TR6 ve Batı Karadeniz-TR8 bölgeleri de benzer ilkokul ve ortaokul eğitim seviyelerindedirler. Her iki bölgede de düşük doktora oranları gözlemlenmektedir.

Kadın ve Erkek Eğitim Farklılıkları: Kadınların okuma yazma bilmeyen oranının erkeklere göre daha yüksek olması, cinsiyetler arasındaki eğitim eşitsizliğini vurgular. Bu durum, kadınlara yönelik eğitim ve okuryazarlık destek programlarının artırılmasını gerektirir. Ayrıca, yıllar içinde bu farkın azalması gerektiğini belirten politikaların etkili olduğunu gösterebilir; ancak bu trendin sürdürülebilirliğini sağlamak için devam eden çabalar gerekmektedir.

Doktora Programlarındaki Cinsiyet Dağılımı: Doktora programlarındaki kadın oranının artışı, cinsiyet eşitliğinin sağlanmasına yönelik olumlu bir gelişmedir. Ancak, bazı bölgelerde erkeklerin oranlarındaki artışlar daha belirgin olup, bu durum cinsiyetler arası fırsat eşitliğini sağlamak için daha fazla teşvik ve destek sağlanması gerektiğini gösterir. Batı Anadolu ve Güneydoğu Anadolu bölgeleri arasındaki farklar, bölgesel eğitim fırsatlarının eşitlenmesi için özel stratejiler geliştirilmesi gerektiğini ortaya koymaktadır.

Okuma Yazma Bilmeyen Nüfusun Azalması: “Okuma Yazma Bilmeyen” nüfusun azalması, eğitim politikalarının etkili olduğunu gösterse de, okuryazarlık seviyesinin daha da iyileştirilmesi için sürdürülebilir stratejilerin oluşturulması gerektiğini vurgular. Eğitim reformları ve okuryazarlık kampanyaları, bu trendin devamını desteklemek için genişletilmelidir.

Öneriler

1. Eğitim Programlarının Özelleştirilmesi: Eğitim stratejileri, bölgesel ve cinsiyete dayalı farklılıkları dikkate alarak özelleştirilmelidir. Özellikle düşük eğitim düzeylerine sahip bölgelerde yoğunlaştırılmış eğitim programları ve destek hizmetleri sağlanmalıdır. Doğu Karadeniz-TR9 ve Batı Marmara-TR2 bölgelerinde lise ve yükseköğretim seviyelerinin artırılması, Güneydoğu Anadolu-TRC ve Ege-TR3 bölgelerinde ise ilkokul ve ortaokul seviyelerine yönelik stratejiler geliştirilmelidir.

2. Kadın ve Genç Nüfusa Yönelik Destekler: Kadınların ve gençlerin eğitim ve okuryazarlık seviyelerinin artırılması için özel destek programları ve teşvikler geliştirilmelidir. Kadınların okuma yazma bilmeyen oranlarının yüksekliği, bu alanda ek çabaların gerekliliğini vurgular. Genç nüfusun eğitim ihtiyaçları da göz önünde bulundurularak gençlik destek programları güçlendirilmelidir.

3. Okuryazarlık Programlarının Genişletilmesi: Okuma yazma bilmeyen nüfusun azalmasını destekleyen okuryazarlık programlarının güçlendirilmesi ve genişletilmesi önemlidir. Özellikle az gelişmiş bölgelerde, Ortadoğu Anadolu-TRB ve Orta Anadolu-TR7 bölgelerinde okuma yazma bilmeyen oranlarının yüksek olması nedeniyle bu programların daha etkili olması sağlanmalıdır. Eğitim reformları, okuma yazma oranlarının iyileştirilmesine yönelik stratejiler içermelidir.

4. Bölgesel Eğitim Düzeylerinin Artırılması: İstanbul gibi yüksek eğitim düzeyine sahip bölgelerde, yüksek lisans ve doktora programlarının desteklenmesi gerekmektedir. Orta Anadolu-TR7 ve Ortadoğu Anadolu-TRB bölgelerinde ise ilkokul ve ortaokul seviyelerinin artırılmasına yönelik politikalar geliştirilmelidir. Bu bölgelerde eğitim politikalarının bu ihtiyaçlara göre uyarlanması önemlidir.

5. Eğitim Stratejilerinin Kişiselleştirilmesi: Eğitim stratejileri, benzer eğitim profillerine sahip bölgelerde özelleştirilmelidir. Doğu Karadeniz-TR9 ve Batı Marmara-TR2 bölgelerinde lise ve yükseköğretim seviyelerinin güçlendirilmesine yönelik programlar; Güneydoğu Anadolu-TRC ve Ege-TR3 bölgelerinde ise ilkokul ve ortaokul seviyelerine odaklanılması gerekmektedir.

6. Bölgesel Eğitim Profillerinin Derinleştirilmesi: Akdeniz-TR6 ve Batı Karadeniz-TR8 bölgelerinde ilkokul ve ortaokul eğitim seviyelerinin artırılması için özel stratejiler geliştirilmelidir. Kuzeydoğu Anadolu-TRA ve Batı Anadolu-TR5 bölgelerindeki eğitim farklılıkları dikkate alınarak her bölgeye özgü eğitim politikaları ve destek programları oluşturulmalıdır.

7. Eğitim Yatırımlarının Artırılması: İstanbul ile diğer bölgeler arasındaki yüksek eğitim düzeyi farklılıkları, eğitim yatırımlarının bölgesel farklılıkları göz önünde bulundurarak artırılmasını gerektirir. Eğitim bütçeleri ve kaynaklar, yüksek öğrenim seviyelerindeki eşitsizlikleri azaltmak ve tüm bölgelerde eğitim fırsatlarını eşitlemek için yeniden yapılandırılmalıdır.